Data Scientist
⚲ Kraków, Zwierzyniec
100–140 zł netto (+ VAT) / godz.
Wymagania
- Python
- SQL
- Airflow
- Celery
- Azure Fabric
- Docker
Opis stanowiska
Nasze wymagania:
Minimum 2 lata doświadczenia w ML, data science lub analizie danych.
Bardzo dobra znajomość Pythona.
Praktyczna znajomość klasycznego ML, np. regresji, klasyfikacji, modeli drzewiastych, XGBoost / LightGBM / CatBoost.
Znajomość SQL i relacyjnych baz danych.
Podstawy inżynierii danych, np. Airflow, Celery lub podobne.
Podstawy backendu w Pythonie, mile widziane FastAPI.
Umiejętność tworzenia prostych aplikacji lub dashboardów, np. w Streamlit.
Znajomość narzędzi LLM wspierających programowanie.
Biegły angielski i polski.
Mile widziane:
Computer Vision.
LLM-y, RAG lub agenci.
Cloud, szczególnie Azure Fabric.
Docker, CI/CD, podstawy MLOps.
Wdrażanie modeli ML na produkcję.
O projekcie:
Klasyczny ML, analiza danych i optymalizacja na produkcji
Zakres obowiązków:
Budowa i walidacja modeli predykcyjnych, klasyfikacyjnych i regresyjnych.
Tworzenie modeli optymalizacyjnych, np. z użyciem OR-Tools.
Analiza danych, feature engineering i projektowanie eksperymentów.
Praca z SQL, pipeline’ami danych i prostą automatyzacją.
Budowa API w FastAPI oraz prostych aplikacji / dashboardów w Streamlit.
Korzystanie z narzędzi LLM do kodowania, np. Claude, Codex, GitHub Copilot.
Oferujemy:
Roczny budżet na kursy i szkolenia.
Elastyczne środowisko pracy - 100% zdalnie lub hybrydowo z naszego biura w Krakowie.
Karta Multisport.
Solidne wsparcie merytoryczne i praktyczne – jesteśmy oddani ciągłemu uczeniu się.
Pracę w szybko rozwijającej się branży związanej z AI, ML i Data Science.
Minimum 2 lata doświadczenia w ML, data science lub analizie danych.
Bardzo dobra znajomość Pythona.
Praktyczna znajomość klasycznego ML, np. regresji, klasyfikacji, modeli drzewiastych, XGBoost / LightGBM / CatBoost.
Znajomość SQL i relacyjnych baz danych.
Podstawy inżynierii danych, np. Airflow, Celery lub podobne.
Podstawy backendu w Pythonie, mile widziane FastAPI.
Umiejętność tworzenia prostych aplikacji lub dashboardów, np. w Streamlit.
Znajomość narzędzi LLM wspierających programowanie.
Biegły angielski i polski.
Mile widziane:
Computer Vision.
LLM-y, RAG lub agenci.
Cloud, szczególnie Azure Fabric.
Docker, CI/CD, podstawy MLOps.
Wdrażanie modeli ML na produkcję.
O projekcie:
Klasyczny ML, analiza danych i optymalizacja na produkcji
Zakres obowiązków:
Budowa i walidacja modeli predykcyjnych, klasyfikacyjnych i regresyjnych.
Tworzenie modeli optymalizacyjnych, np. z użyciem OR-Tools.
Analiza danych, feature engineering i projektowanie eksperymentów.
Praca z SQL, pipeline’ami danych i prostą automatyzacją.
Budowa API w FastAPI oraz prostych aplikacji / dashboardów w Streamlit.
Korzystanie z narzędzi LLM do kodowania, np. Claude, Codex, GitHub Copilot.
Oferujemy:
Roczny budżet na kursy i szkolenia.
Elastyczne środowisko pracy - 100% zdalnie lub hybrydowo z naszego biura w Krakowie.
Karta Multisport.
Solidne wsparcie merytoryczne i praktyczne – jesteśmy oddani ciągłemu uczeniu się.
Pracę w szybko rozwijającej się branży związanej z AI, ML i Data Science.
🔍 Dekoder Ogłoszenia
🔴
Podstawy inżynierii danych, np. Airflow, Celery lub podobne.
Może oznaczać, że będziesz musiał samodzielnie konfigurować i utrzymywać te narzędzia, a nie tylko z nich korzystać.
🔴
Podstawy backendu w Pythonie, mile widziane FastAPI.
Oczekiwane jest, że będziesz tworzyć API, a nie tylko je konsumować, nawet jeśli jest to tylko 'podstawa'.
🔴
Umiejętność tworzenia prostych aplikacji lub dashboardów, np. w Streamlit.
Oczekuje się, że będziesz samodzielnie budować narzędzia do wizualizacji i prezentacji wyników, a nie tylko analizować dane.
🔴
Solidne wsparcie merytoryczne i praktyczne – jesteśmy oddani ciągłemu uczeniu się.
Może oznaczać, że będziesz musiał dużo się uczyć samodzielnie, a wsparcie będzie polegać na udostępnianiu materiałów, a nie bezpośrednim mentoringu.
🔴
Pracę w szybko rozwijającej się branży związanej z AI, ML i Data Scienc
Może sugerować, że będziesz musiał nadążać za bardzo dynamicznymi zmianami technologicznymi i ciągle się szkolić na własną rękę.